基于多指标融合的故障特征选择及分类方法研究

摘要

基于多指标融合的故障特征选择及分类方法研究，首先将原始信号通过改进CELMD方法分解为多个PF分量和单个残余分量；然后融合峭度、相关系数和K‑L散度三个指标提取最适合的PF分量进行信号重构；最后提取重构信号的多域特征和熵值特征，输入LightGBM分类器进行分类，实现滚动轴承故障的智能分类。本发明改善了端点效应，缓解了模态混叠的现象，有效减少了虚假分量对故障诊断的影响，进一步提高了故障诊断的分类准确度，并最终有效对不同故障类型进行分类。

说明书

技术领域

本发明属于旋转机械装置中关键部件滚动轴承的故障诊断技术领域，具体涉及基于多指标融合的故障特征选择及分类方法研究。

背景技术

滚动轴承是旋转机械设备的关键组成部分，其性能的好与坏直接影响到整个设备的运行状况从而造成重大的经济损失，更有甚者会使操作人员的生命遭受威胁。据不完全统计，整个机械故障中有40％以上是由轴承故障问题造成的；在旋转机械中有约30％的故障问题是源于滚动轴承故障；在齿轮箱发生的故障中，轴承的故障约占到了19％；电机设备的故障当中轴承故障占比高达80％。因此，对滚动轴承及时进行检测运行状态和进行故障诊断意义重大。滚动轴承发生故障时会产生非平稳的、非高斯的信号，现有的信号分解技术可以对信号进行解调，将非平稳信号分解为多个敏感分量和单个残余分量之和，大部分信号分解技术仍然存在端点效应、模态混叠等问题，甚至出现过拟合、欠拟合等问题；此外，孤立的单一指标如相关系数、峭度或者K-L散度虽然能够作为选择某些敏感分量选择的依据，但是无法准确选择最佳的敏感分量，更有可能会丢弃某些包含特征的敏感分量，严重影响了重构信号的特征提取和故障诊断的准确性。综上所述，如何有效分解信号，缓解故障信号的端点效应、改善模态混叠的问题、避免过拟合、欠拟合等问题，并且筛选出分解之后的最佳敏感分量进行重构提取有效故障振动特征是滚动轴承故障诊断面临的一大难题。

发明内容

为了克服现有技术存在的缺点，本发明提供了基于多指标融合的故障特征选择及分类方法，利用改进的补充总体局部均值分解(Complementary Ensemble local meandecomposition,CELMD)算法将原始信号分解为多个具有物理意义的乘积函数(Productfunction，PF)和单个残余分量，其次提出多指标选择(Multi-Indicator Selection，MIS)算法选取最佳PF分量进行重构获得训练信号并提取时域、频域和时频域等多域特征和熵值特征，最后将重构信号的故障特征作为训练样本利用轻量级梯度提升机(Light GradientBoosting Machine,LightGBM)建模对轴承故障类别进行分类，高效、准确地实现滚动轴承的准确故障诊断。

为了达到上述目的，本发明所采用的技术方案为：

基于多指标融合的故障特征选择及分类方法研究，包括以下步骤：

A.获取滚动轴承在不同工况下的声发射信号，对于不同系统状态产生的信号(包括正常状态、不同故障直径下的内圈故障、滚动体故障、外圈故障)，均使用本发明改进的CELMD算法进行分解，具体过程是：

a.对每种类型的原始信号x(t)成对加入所需的白噪声n

其中，x(t)为原始信号，n

b.对加入正负白噪声的信号进行局部均值分解(Local Mean Decomposition，LMD)分解，分解成多个具有物理意义的乘积函数(Product function，PF)，同时，修改同幅值的高斯白噪声n

其中，

此时，x(t)被分解为M个PF分量和一个残余分量r(t)，即

c.修改噪声幅值h

其中，

将N’次分解的PF分量相加取平均值，即

其中，

将x(t)分解为M个PF分量和残余分量，即

其中，r′(t)为分解后的残余分量；

B.采用本发明提出的多指标选择(Multi-Indicator Selection，MIS)算法对上述步骤所获的PF分量进行筛选，具体过程是：

a.首先，构建指标集L＝{L

b.将改进CELMD分解后得到的第i个PF分量分别计算指标集L中的值，从而得到m

其中，j∈[1,2,3]且

c.计算每个

其中，

d.设定固定阈值A(A为常数且满足0≤A≤1)，将

C.将上述MIS算法选择得到的PF分量进行重构，并将重构信号划分为训练集和测试集，再分别提取时域、频域特征和熵值特征，同时将不同故障类型打上标签作为该信号特征对应的系统状态，利用训练集训练轻量级梯度提升机(Light Gradient BoostingMachine，LightGBM)分类器，完成训练后，利用测试集评估分类效果，从而实现故障智能分类。

本发明的有益效果为：

本发明综合考虑了传统的信号分解技术对振动信号存在的缺点，改进了传统的CELMD分解技术，提出多次加入不同幅值的高斯白噪声取平均值进而降低了故障信号中噪声所带来的干扰，改善了端点效应，缓解了模态混叠的现象。综合对比了峭度、相关系数和K-L散度的优缺点，提出了MIS算法将多个指标进行融合，利用Wassterstein距离代替了K-L散度，分析了每个分量的融合指标占比，有效减少了虚假分量对故障诊断的影响，进一步提高了故障诊断的分类准确度，对重构信号提取了时域、频域等多域特征和熵域特征，构建LightGBM分类器进行故障诊断，最终有效对不同故障类型进行分类。

附图说明

图1为本发明的流程图；

图2为分类结果对比图。

具体实施方式

下面结合附图对本发明做进一步的详细描述。

参照图1，基于多指标融合的故障特征选择及分类方法研究，包括以下步骤：

A.采集滚动轴承在不同工况下的声发射信号，对于不同系统状态产生的信号(包括正常状态、不同故障直径下的内圈故障、滚动体故障、外圈故障)，均使用本发明改进的CELMD算法进行分解，具体过程是：

a.对每种类型的原始信号x(t)成对加入所需的白噪声n

其中，x(t)对应不同故障类型的原始信号，n

b.对加入正负白噪声的信号进行LMD分解，分解成多个PF分量，同时，修改同幅值的高斯白噪声n

其中，

此时，x(t)被分解为M个PF分量和一个残余分量r(t)：

c.修改噪声幅值h

其中，

将N’次分解的PF分量相加取平均值，即

其中，N’对应h

将x(t)分解为M个PF分量和残余分量，即

其中，r′(t)为残余分量，M对应最终分解之后PF的个数；

B.采用本发明提出的多指标选择(Multi-Indicator Selection，MIS)算法对上述步骤所获的PF分量进行筛选，具体过程是：

a.首先，构建指标集L＝{L

b.将改进CELMD分解后得到的第i个PF分量分别计算指标集L中的值，从而得到m

其中，j∈[1,2,3]且

c.计算每个

其中，

d.设定固定阈值A(A为常数且满足0≤A≤1)A＝0.85，将

C.将上述MIS算法选择得到的PF分量进行重构，并将重构信号划分为训练集和测试集，再分别提取时域、频域特征和熵值特征，同时将不同故障类型打上标签作为该信号特征对应的系统状态，利用训练集训练轻量级梯度提升机(Light Gradient BoostingMachine，LightGBM)分类器，完成训练后，利用测试集评估分类效果，从而实现故障智能分类；

本发明的高维混合特征向量由20个特征组成原始特征集F＝(f

D.为了证明本发明方法的有效性，将其与不同的选择PF分量方法和不同分类方法进行比较，作进一步描述。滚动轴承数据集共有两种系统状态为正常状态和故障状态，而数据集包含3种故障直径，分别为0.1778mm、0.3556mm和0.5334mm，每种故障直径对应3种系统状态，分别为内圈故障、外圈故障和滚动体故障，所以共有10种系统状态，将每个数据集按照512个数据点进行切片进而划分训练集和数据集，使用本发明方法对对滚动轴承数据集进行故障分类，针对数据集，首先通过改进CELMD算法对原始信号进行分解，再利用MIS算法筛选出最优PF分量进行重构，最后提取特征划分数据集进行分类和诊断。对比分析了本发明方法和原始信号+RandomForest、原始信号+XGBoost、原始信号+LightGBM、correlation+RandomForest、correlation+XGBoost、correlation+LightGBM、K-L+RandomForest、K-L+XGBoost、K-L+LightGBM、MIS+RandomForest和MIS+XGBoost分类准确度，使用本发明方法可以达到99.24％的分类准确度，分别比上述方法高出24.78％、13.68％、10.24％、14.98％、9.16％、5.06％、13.47％、7.87％、4.85％、6.57％、4.53％，说明本发明方法对PF分量的选取具有稳健性，能够高效地对故障进行诊断，十二种方法分类结果对比如图2所示。